Dronlardan Depo Botlarına, Güvenlik Programlaması Hayati – MIT Çözüm Sunabilir

Otonom araçların ve dronların büyük filolarını yönetme ihtiyacı artmaya devam ediyor.  Ne yazık ki, bugün mevcut sistemler çok fazla çaba ve hesaplama gücü gerektiriyor. Ayrıca, bu güvenlik programlama sistemleri anlık olarak ayarlanamıyor.

Dolayısıyla, drone filolarının ticari kullanımı yaygınlaştıkça, süreçleri basitleştiren ve garantiler sunan güvenlik programlama protokolleri oluşturmak hayati önem taşıyor. Neyse ki, MIT’den yenilikçi bir araştırmacı ekibi bir çözüm bulmuş olabilir. İşte bilmeniz gerekenler.

Dron Gösterileri

Olimpiyatlar’dan yeni ürün lansmanlarına kadar, drone gösterileri her zamankinden daha yaygın hale geldi. Bu etkinlikler, yüzlerce dronu senkronize bir şekilde kullanarak görüntüler, animasyonlar ve daha fazlasını oluşturabiliyor. Bu büyük ölçekli ışık gösterileri nefes kesici görünüyor. Bu eylemlerden daha etkileyici olan, bu gösterilerin mümkün olmasını sağlayan tüm çalışmadır.

Mevcut Güvenlik Programlama Yöntemleri

Mühendislerin büyük drone sürülerini veya diğer çoklu otonom robotik sistemleri kontrol etmesinin mevcut yolu, Çoklu ajan sistemleri (MAS) kullanmaktır. Bu protokoller, rotaları, yol noktalarını ve zaman kısıtlamalarını birleştirir. Birlikte, bu faktörler her drona önceden planlanmış uçuş yolunda nerede olduğunu bilmesini sağlar.

Bu yaklaşım, koşullar iyi olduğunda ve dronlar zamanında gerekli konumda olduklarında işe yarar. Ancak, cihazlar rotadan saptığında ciddi dezavantajlar ortaya çıkabilir. Çarpışmaları önlemek için mühendisler çift yönlü yol planlaması adı verilen bir teknik kullanır.

Güvenlik Programlama Dezavantajları

Bu algoritma, her drona her şey mükemmel gittiğinde diğer dronlara göre nerede olması gerektiğini bildirir. Ancak, iletişim hataları olduğunda ciddi sorunlar ortaya çıkabilir. MAS kurulumundaki her drone, fırlatıldıktan sonra kör bir şekilde uçtuğu için, dış faktörler orijinal planı yanlış kılarsa bile önceden planlanmış rotayı varsayar. Bu durum, dronların beklenmedik şekilde iniş yapması, gökyüzünden izleyicilere düşmesi, bilinmeyen bir yere uçması ya da yanıt vermemesi gibi çok garip eylemlere yol açabilir.

Son Dron Gösterisi Kazaları

Dron gösterileri ve otonom robotik sistemlerdeki ani artış, bazı tehlikeli durumlara yol açtı. Dronlar, silahsız olsa bile birçok tehdit oluşturur. Bu cihazlar bağlantıyı kaybedebilir ve yüzlerce metreden düşerek cihazı ve yayaları zarar verebilir. Ayrıca, diğer hava araçlarıyla çarpışmalar felaket kayıplara ve ölüme neden olabilir. İki yakın örnek bu endişeleri vurgulamaktadır:

Florida

21 Aralık 2024’te dron gösterisini izlemek için dışarı toplanan Orlando sakinleri, etkinliğin tehlikeli bir hâle geleceğini hiç tahmin etmemişti. etkinlik sırasında, yüzlerce dronu içeren gösteride bir bağlantı hatası, birkaç dronun yere düşerek izleyicilere çarpmasına neden oldu.

Ne yazık ki, dronlardan biri 7 yaşındaki bir çocuğa çarparak ciddi yaralanmalara ve acil cerrahi müdahaleye ihtiyaç duydu. Olayla ilgili sorgulama yapıldığında, etkinliğin arkasındaki şirket Sky Elements Drone, üzüntülerini dile getirerek gelecekte benzer olayların önlenmesi için nedeni araştırma sözü verdi.

New York

Geçen yıl Staten Island, New York’ta gerçekleşen bir başka olay, dronların bir UH-60 Black Hawk helikopteriyle çarpışmasına yol açtı. Bu olayda, bir dron operatörü 2,5 mil uzaklığa uçmuştu. Görüş hattı dışındaydı ve helikopteri fark edemedi, bu yüzden helikopterle çarpıştı.

Neyse ki, helikopter zor durumda kalarak üsse geri dönebildi. Ancak, daha fazla incelemede, mürettebat dron parçalarının ana rotor şaftında bulunduğunu fark etti ve çok şanslı olduklarını anladı. Uzun bir soruşturmanın ardından, Ulusal Ulaştırma Güvenliği Kurulu, UAV operatörünün hatalı olduğunu belirten bir kaza raporu yayımladı.

Çoklu Ajan Güvenlik Programlama Çalışması

Filo halinde otonom birimlerle çalışırken daha çevik ve yanıt verebilir bir güvenlik sistemine ihtiyaç duyulduğunu fark eden MIT mühendisleri, IEEE Transactions on Robotics¹ dergisinde yayımlanan bir makalede yeni bir eğitim yöntemi tanıttı. Araştırmaları, güvenlik korumalarını artıran ve bu protokollerin uygulanmasıyla ilgili iş yükünü azaltan yeni bir eğitim yöntemini detaylandırıyor.

Graf Kontrol Bariyer Fonksiyonu GCBF+

Graf Kontrol Bariyer Fonksiyonu + protokolü, önceki bariyer fonksiyonu algoritmalarının üzerine ek sistemler ekleyerek büyük araç filolarında güvenliği sürdürmeyi kolaylaştırır. Etkileyici bir şekilde, GCBF+, dronların insanlar gibi karmaşık ortamları gezinebilmesini sağlar.

Algılama Yarıçapı

Sistem, çarpışma risklerine odaklanan daha küçük bir algılama yarıçapı oluşturarak başlar; tüm uçuş planına odaklanmaz. Bu, dronun yönetim ihtiyacını azaltır ve çevresindeki engelleri aktif olarak izleyip kaçınmasını sağlar.

Durumsal Farkındalık

Güncellenmiş GCBF+, dronların gerçek zamanlı olarak nerede olduklarını ve çevredeki diğer UAV’lere göre konumlarını tam olarak bilmelerini sağlar. Tüm dronları gerçek zamanlı izlemek, birden çok koordine, işbirlikçi ve bilgisayar programlı ajanların görevleri birlikte yerine getirmesine olanak tanır.

Graf Sinir Ağları (GNN’ler)

Ekip, gelişmiş Graf Sinir Ağları (GNN) kullanan özel bir bilgisayar modeli oluşturdu; bu sayede GCBF’yi parametreleştirme ve kontrol politikalarını dağıtma gibi önemli avantajlardan yararlanabildiler. Özellikle sistem, ajanları ve kontrolörleri simüle eder.

Kaynak – MIT

Mühendisler gerçek dünyadaki dronların tam özelliklerini kullandı. Mekanik kapasitelerini, sınırlamalarını, performansını, pil ömrünü ve diğer kritik faktörleri dahil ettiler. Simülasyon daha sonra bu bilgileri alarak mühendislerin izlediği büyük ölçekli testler oluşturdu.

Özellikle, bir graf sinir ağı (GNN) kullanılmasının seçilmesi mantıklıdır; çünkü bu, mesafeye dayalı gözlem bilgi akışının değişen grafik topolojisini izlemeyi sağlar. Bu girdi, diğer verilerle birleştirilerek AI sistemini performans ve güvenliği dengeleyecek şekilde programlandı.

Daha Fazla Ajan ve Görev Ekleyin

Mühendisler, simülasyonu daha fazla birim ve daha karmaşık görevler içerecek şekilde ölçeklendirmeye başladı. Gerçek zamanlı güvenlik sistemlerinin, yeni dronlara kopyala-yapıştır yapıldıktan sonra otomatik olarak ayarlandığını gözlemlediler. Simülasyona daha fazla dron eklendikçe her etkileşim kaydedildi.

Binlerce Simülasyonda Çarpışma Takibi

Ajan ve engel sayısı ve yoğunluğu arttıkça, sistem çarpışma olmamasını ödül olarak alacak şekilde ince ayar yapıldı. GNN daha sonra güvenlik ihlallerini azaltmak için kontrolör girdisini otonom olarak ayarlamaya başladı.

Mühendisler, GNN’nin dronların diğer botlarla çarpışmalarını önlemek için gerçek zamanlı olarak rotalarını ayarlamasına nasıl olanak sağladığını kaydettiler. Bu test, kontrolörlerinin tepkisel olduğunu, yani dronlar için gerçek zamanlı çevresel koşullara dayalı olarak sürekli bir uçuş yolu yeniden oluşturduğunu doğruladı.

MIT mühendisleri ayrıca bu yaklaşımın bir parçası olarak güvenlik sınırları tanıttı. Bunlar, cihazların güvenlik ihlallerine düşme olasılığının yüksek olduğu bölgelerdir. Cihazlara bu bölgelerden kaçınmaları talimatı verildiğinde, ekip mevcut sistemleri rahatsız eden birçok çarpışma ve hatayı büyük ölçüde azalttı.

Çoklu Ajan Sistemleri için Eğitim Yöntemi

Etkileyici bir şekilde, simülasyon güvenlik sorunlarını çözdükten sonra kontrolör diğer birimlere kopyala-yapıştır yapıldı. Protokol, rastgele grafik topolojilerini yönetebildiği için dikey ölçeklendirme daha kolaydır. Ayrıca, katılımcı sayısındaki değişiklikleri de hesaba katabilir; bu da programlamanın birkaç dron üzerinde yapılıp sürüyle paylaşılabileceği anlamına gelir.

MAS Güvenlik Programlama Testi

Mühendisler, engellerle dolu büyük ölçekli ortamlarda güvenli çoklu ajan kontrolü için dağıtılmış çerçevelerini test etmeye başladılar; bu testlerde Crazyflies dronları kullandılar. Bu el boyutundaki quadrotor dronlar GNN ile yükseltildi. Toplamda 8 Crazyflies test aşamasında kullanıldı.

Ajanlar, 8 gerçek dünya dronunu etkinlikleri izlemek ve takip etmek için kullandı. Ardından, veriler 1000 dronluk bir simülasyonda paylaşıldı. Aynı ölçeklendirme yöntemi engeller için de uygulandı. Ekip, gerçek dünyada 8 engelle test yaptı. Simülasyon, son testler için 128 hareketli ve hareketsiz engel sayısını artırdı.

MAS Güvenlik Programlama Testi Farklı Hedefler

Dronlara, kalabalık ortamlarda nasıl performans göstereceklerini görmek için farklı hedefler verildi. Bir görev, uçuş sırasında konum değiştirmekti. Bu görev basit görünebilir ancak 1000 dronla çalışırken çarpışma riski yüksektir.

İniş

Sonraki hedef, dronların hareketli kutulara inmesini sağlamaktı. Hareketli kutular, Turtlebots adlı robotlardı. Turtlebots farklı hızlarda dönecek şekilde ayarlandı. Dronlar birbirlerinin etrafında dolaşarak güvenli bir şekilde turtlebot üzerine inmek zorundaydı.

MAS Güvenlik Programlama Test Sonuçları

Güvenlik programlama çalışmasının sonuçları çarpıcı. Öncelikle, cihazlar hem 2D hem de 3D ortamlarında öncüllerinden daha iyi performans gösterdi. Sistem, engelleri yönetmek için LiDAR tabanlı nokta bulutu gözlemleri kullanması büyük bir ekleme oldu. Bu, dronların gerçek zamanlı ayarlamalar yapmasını ve belirlenen güvenlik bölgelerinde kalmasını sağladı.

Crazyflies dolaştı, görevlerini uçuş sırasında tamamladı ve çarpışma olmadan başarıyla indi. Mühendisler, sistemlerinin çarpışmaları %40 oranında azaltabileceğini sonucuna vardılar. Ayrıca, dron performansını da iyileştirerek, yüzlerce dronun sorunsuz bir şekilde görevleri tamamlamasını sağladı.

MAS Güvenlik Programlama Çalışması Faydaları

Bu çalışmanın piyasaya sunduğu birkaç fayda var. İlk olarak, mühendislerin güvenlik gereksinimlerini ve performans kriterlerini otomatik olarak dengelemelerini sağlıyor. Sistem, güvenlik garantileri için kontrol bariyer fonksiyonu teorisini kullandığından, bu araçların çevresindeki tehlikeleri büyük ölçüde azaltıyor. Ayrıca, LiDAR sistemlerinin kullanımı gerçek zamanlı geri bildirim ve uçuş yolu ayarlamaları sağlıyor.

Yalnızca Hedef

Bu teknolojinin en büyük avantajlarından biri, mühendislerin geleneksel yöntemlerde olduğu gibi uzun zaman ve hesaplama çabası gerektiren bir uçuş yolu planlaması yapmaması. Ekip sadece drona talimat ve bir hedef verdi. Cihaz tek bir çarpışmasız rotayı hesaplamadı. Bunun yerine, sensör girdisine dayanarak binlerce rotayı gerçek zamanlı olarak hesapladı, tüm değişiklikleri izleyip ayarlamaları yaptı.

Ölçeklenebilir

Mühendisler, günümüz sistemine son kopyala-yapıştır kontrolörleriyle büyük bir yükseltme yaptı. Bu protokol, ölçeklenebilir ve genelleştirilebilir dağıtılmış kontrol için ideal bir grafik yapısı kullanıyor.

Bu yaklaşım, gelecekteki dron pilotlarının sadece az sayıda birimi programlaması gerektiği anlamına geliyor. Güvenlik parametreleri daha sonra sınırsız sayıda drona ölçeklendirilebilir, bu da para, zaman ve çabayı tasarruf ederken performanstan ödün vermemeyi sağlar.

MAS Güvenlik Programlama Uygulamaları

Bu teknolojinin uygulama listesi büyümeye devam ediyor. Kontrol protokolünü kolayca oluşturma, dağıtma ve ölçeklendirme yeteneği, dron çarpışma önleme sistemlerine büyük bir yükseltme getiriyor. Bu, yeni ortamlar için büyük ölçekli uygulamaların hızlı bir şekilde yapılandırılmasını sağlıyor. Bu yetenek, teknolojiyi depolarda, arama ve kurtarma operasyonlarında, otonom araçlarda ve askeri görevlerde kullanım için uygun kılıyor.

MAS Güvenlik Programlama Araştırmacıları

Bu çalışmanın arkasındaki araştırmacılar, MIT Aeronautics and Astronautics Bölümü Doçent Yardımcısı Chuchu Fan’ı içeriyor. Ayrıca, Songyuan Zhang, Oswin ve Kunal Garg araştırmaya katkıda bulundu. Dikkate değer olarak, çalışma ABD Ulusal Bilim Vakfı, MIT Lincoln Laboratuvarı’nın Güvenli Akrobatik Uçuş Rejimleri (SAFR) programı ve Singapur Savunma Bilim ve Teknoloji Ajansı tarafından finansal destek aldı.

Otonom Araçlarda Öncü Bir Şirket

Birçok şirket, MAS güvenlik programlama çalışmasından yararlanarak UAV veya EV ürünlerini geliştirebilir. Otonom araç üreticileri arttıkça, otonom araç filolarının güvenlik gereksinimleri de artacaktır. İşte bu verileri kullanarak getirilerini artırabilecek bir şirket.

Amazon

Otonom robot sürülerini işletme konusunda, Amazon (AMZN ) lider konumdadır. Şirket yıllar önce fabrikalarına otonom robotları entegre etti. O zamandan beri dron filolarını UAV ve EV’leri kapsayacak şekilde genişletti. Filosu büyüdükçe, MIT araştırmacılarının geliştirdiği gibi güvenlik parametreleri ve kontrol sistemlerine olan talep artacaktır.

Amazon, dron teslimat filoları hakkında uzun süredir ipuçları veriyor. Önümüzdeki yıl şirket lansmanına başlayabilir. Özellikle, FAA geçen Kasım ayı itibarıyla kullanmayı planladıkları MK30 dronlarını onayladı.

Amazon, AB’de dronla paket teslimatı hedefi olan 10 yıllık amacına doğru da ilerlemeler kaydediyor. Özellikle, şirket geçen Aralık ayında İtalya, San Salvo’da teslimat sistemini büyük başarıyla test etti.

Başarılı olursa, Amazon dronlarıyla yılda +500M müşteriye teslimat yapabilir. Bu hamle teslimat maliyetlerini ve hırsızlığı önemli ölçüde azaltarak AMZN hissesinin değer kazanmasına yol açabilir.

MAS Güvenlik Programlamasının Geleceği

Dron güvenlik programlamasının geleceği, ölçeklenebilir yüksek performanslı AI tabanlı sistemlerdir. Bu sistemler, mühendislerin güvenlik protokollerinin oluşturulmasından yönetilmesine ve dağıtılmasına kadar her şeyi basitleştirmesine olanak tanıyacak.

Gelecekte, teslimat dronunuz gerçek zamanlı ortamını, uçuş yolunu ve çalışma arkadaşlarının konumunu tam olarak anlayacak. Bu sayede, insanlar 24 saatlik teslimatın çok yavaş görünebileceği günü yakından takip etmeye devam edecek.

Robotik sektöründeki diğer ilginç gelişmeleri burada öğrenin.

Çalışma Referansı:

^{1. Zhang, S., So, O., Garg, K., & Fan, C. (2025). GCBF+: Dağıtık güvenli çoklu ajan kontrolü için sinirsel bir grafik kontrol bariyer fonksiyonu çerçevesi. IEEE Transactions on Robotics. https://doi.org/10.1109/TRO.2025.3530348}